Is What Centrato Mobile Media Excel

Media mobile Questo esempio vi insegna come calcolare la media mobile di una serie storica in Excel. Una media mobile viene utilizzata per appianare le irregolarità (picchi e valli) di riconoscere facilmente le tendenze. 1. In primo luogo, consente di dare un'occhiata alla nostra serie temporali. 2. Nella scheda dati fare clic su Analisi dati. Nota: non riesci a trovare il pulsante Data Analysis Clicca qui per caricare il componente aggiuntivo Strumenti di analisi. 3. Selezionare media mobile e fare clic su OK. 4. Fare clic nella casella intervallo di input e selezionare l'intervallo B2: M2. 5. Fare clic nella casella Intervallo e digitare 6. 6. Fare clic nella casella Intervallo di output e selezionare cella B3. 8. Tracciare la curva di questi valori. Spiegazione: perché abbiamo impostato l'intervallo di 6, la media mobile è la media degli ultimi 5 punti di dati e il punto di dati corrente. Come risultato, i picchi e le valli si distendono. Il grafico mostra una tendenza all'aumento. Excel non può calcolare la media mobile per i primi 5 punti di dati, perché non ci sono abbastanza punti dati precedenti. 9. Ripetere i passaggi 2-8 per l'intervallo 2 e l'intervallo 4. Conclusione: Il più grande l'intervallo, più i picchi e le valli si distendono. Più piccolo è l'intervallo, più le medie mobili sono i dati effettivi points. When calcolo della media corrente in movimento, ponendo la media nel periodo di tempo medio senso Nell'esempio precedente abbiamo calcolato la media dei primi 3 periodi di tempo e collocato accanto al periodo 3. avrebbe potuto mettere la media al centro dell'intervallo di tempo di tre periodi, cioè, accanto al periodo 2. Ciò funziona bene con periodi dispari, ma non così buona anche per periodi di tempo. Allora, dove ci sarebbe posto la prima media mobile quando M 4 Tecnicamente, la media mobile sarebbe caduta a t 2.5, 3.5. Per evitare questo problema si liscia la MAs utilizzando M 2. Così si liscia i valori livellati Se calcoliamo la media di un numero pari di termini, abbiamo bisogno di smussare i valori livellati La seguente tabella mostra i risultati utilizzando M 4.In mio recente libro Tempo Practical Serie Previsione: Una guida pratica. Ho incluso un esempio di utilizzo trama media mobile di Microsoft Eccelle per sopprimere stagionalità mensile. Questo viene fatto attraverso la creazione di una trama linea della serie nel corso del tempo e quindi aggiungere Trendline gt media mobile (vedi il mio post sulla soppressione stagionalità). Lo scopo di aggiungere la linea di tendenza media mobile a un diagramma di tempo è quello di vedere meglio una tendenza nei dati, sopprimendo stagionalità. Una media mobile con larghezza della finestra w mezzo in media su ogni insieme di valori consecutivi w. Per visualizzare una serie temporale, di solito utilizziamo una media mobile centrata con la stagione w. In una media mobile centrata, il valore della media mobile al tempo t (MA t) è calcolata centrando la finestra intorno tempo t ed una media di tutti i valori w all'interno della finestra. Ad esempio, se abbiamo dati giornalieri e abbiamo il sospetto di un effetto giorno della settimana, possiamo sopprimerla da una media mobile centrata con w7, e quindi tracciare la linea di MA. Un partecipante osservatore nel mio Previsione corso online scoperto che eccelle media mobile non produce ciò che sposare aspettarsi: invece di una media di oltre una finestra che è incentrata su un periodo di tempo di interesse, ci vuole semplicemente la media degli ultimi mesi w (chiamato finale media mobile). Mentre finali medie mobili sono utili per la previsione, sono inferiori per la visualizzazione, soprattutto quando la serie ha una tendenza. La ragione è che la media mobile di trascinamento resta indietro. Guardate la figura qui sotto, e si può vedere la differenza tra Eccelle trailing media mobile (nero) e una centrato media mobile (rosso). Il fatto che Excel produce un finale media mobile nel menu Trendline è abbastanza inquietante e fuorviante. Ancora più inquietante è la documentazione. che descrive non correttamente la MA finale che viene prodotto: se il periodo è impostato su 2, per esempio, allora la media dei primi due punti dati viene utilizzato come primo punto del movimento trendline media. La media del secondo e terzo punto di dati viene utilizzato come secondo punto della linea di tendenza, e così via. Per ulteriori informazioni su medie mobili, vedere qui: medie mobili e centrato medie mobili Un paio di punti su stagionalità in un orso serie di tempo a ripetere, anche se sembrano evidenti. Uno è che il termine 8220season8221 non necessariamente si riferiscono alle quattro stagioni dell'anno che derivano da l'inclinazione dell'asse Earth8217s. In analisi predittiva, 8220season8221 spesso significa appunto che, poiché molti dei fenomeni che studiamo variano insieme con la progressione della molla attraverso inverno: vendite di ingranaggio inverno o d'estate, incidenza di alcune malattie diffuse, eventi meteorologici causati dalla posizione del corrente a getto e cambiamenti nella temperatura dell'acqua nell'oceano Pacifico orientale, e così via. Allo stesso modo, gli eventi che si verificano regolarmente possono agire come le stagioni meteorologiche, anche se hanno solo una connessione tenue ai solstizi e gli equinozi. turni di otto ore negli ospedali e nelle fabbriche spesso si esprimono in termini di incidenza di assunzioni e delle spese di energia là, una stagione è lunga otto ore e il ciclo di stagioni ogni giorno, non ogni anno. Due date per imposte segnalano l'inizio di una marea di dollari in municipale, statale, e tesorerie federali là, la stagione potrebbe essere lunghi (imposte sul reddito personale) di un anno, sei mesi (tasse di proprietà in molti stati), trimestrali (molte le imposte sulle società ), e così via. It8217s un po 'strano che abbiamo la parola 8220season8221 per riferirsi in generale al periodo regolarmente ricorrente di tempo, ma nessun termine generale per il periodo di tempo durante il quale si verifica un giro completo delle stagioni. 8220Cycle8221 è possibile, ma in analisi e di previsione che termine è di solito intende un periodo di lunghezza indeterminata, come ad esempio un ciclo economico. In mancanza di un termine migliore, I8217ve utilizzato period8221 8220encompassing in questo e successivi capitoli. Questo isn8217t solo meditabondo terminologica. I modi in cui identificano le stagioni e il periodo di tempo durante il quale le stagioni girare avere reale, anche se spesso minore, implicazioni per il modo misuriamo i loro effetti. Le sezioni seguenti illustrano come alcuni analisti variano il modo in cui calcolano le medie mobili a seconda che il numero di stagioni è pari o dispari. Utilizzando medie mobili Invece di medie semplici Supponiamo che una grande città sta prendendo in considerazione la riallocazione delle sue polizia stradale per affrontare al meglio l'incidenza della guida in stato alterato, che la città ritiene che è in aumento. Quattro settimane fa, una nuova normativa è entrata in vigore, legalizzare il possesso e l'uso ricreativo di marijuana. Da allora, il numero giornaliero di arresti di traffico per DWI sembra essere trend up. A complicare le cose è il fatto che il numero degli arresti appare a picco il venerdì e il sabato. Per aiutare piano per esigenze di manodopera nel futuro, you8217d piacerebbe prevedere qualsiasi tendenza di fondo that8217s sia stabilita. You8217d piace anche cronometrare il dispiegamento di risorse per tener conto di qualsiasi stagionalità week-end legati that8217s in atto. Figura 5.9 ha i dati rilevanti si deve lavorare con. Figura 5.9 Con questo insieme di dati, ogni giorno della settimana costituisce una stagione. Anche da solo eyeballing il grafico in Figura 5.9. si può dire che l'andamento del numero di arresti quotidiani è in alto. You8217ll devono pianificare per espandere il numero di vigili urbani, e spero che i livelli tendenziali fuori presto. Inoltre, i dati conferma l'idea che più arresti si verificano normalmente il venerdì e il sabato, così il vostro allocazione delle risorse deve affrontare quei picchi. Ma è necessario quantificare la tendenza di fondo, per determinare quanti di polizia supplementari you8217ll deve portare avanti. È inoltre necessario per quantificare la dimensione prevista dei picchi del fine settimana, per determinare quanti di polizia aggiuntive necessarie a guardare per i conducenti erratici in quei giorni. Il problema è che come ancora si don8217t sai quanto l'aumento giornaliero è dovuto alla tendenza e quanto è dovuto in tal senso week-end. Si può iniziare con l'eliminazione del trend della serie storica. All'inizio di questo capitolo, nelle medie stagionali 8220Simple, 8221 si è visto un esempio di come detrend una serie storica al fine di isolare gli effetti stagionali con il metodo di semplici medie. In questa sezione you8217ll vedere come fare in modo da utilizzare in movimento averages8212very probabile, l'approccio movimento-medie è usato più spesso in analisi predittiva che è l'approccio semplice-medie. Ci sono varie ragioni per una maggiore popolarità delle medie, tra i quali lo spostamento, che l'approccio movimento-medie non chiede a crollare i vostri dati nel processo di quantificare una tendenza. Ricordiamo che l'esempio precedente ha reso necessario il collasso medie trimestrali a medie annuali, calcolare un trend annuale, e quindi distribuire un quarto del trend annuale attraverso ogni trimestre dell'anno. Questo passo è stato necessario al fine di rimuovere tendenza dagli effetti stagionali. Al contrario, l'approccio movimento-medie consente di detrend la serie storica senza ricorrere a questo tipo di macchinazione. Figura 5.10 mostra come l'approccio movimento-medie funziona nel presente esempio. Figura 5.10 La media mobile nel secondo grafico chiarisce la tendenza di fondo. Figura 5.10 aggiunge una colonna media mobile, e una colonna per le stagionali specifici. ai dati impostati nella Figura 5.9. Entrambe le aggiunte richiedono qualche discussione. I picchi di arresti che si svolgono durante il fine settimana ti dà motivo di credere che you8217re lavorare con le stagioni che si ripetono una volta alla settimana. Pertanto, iniziare da ottenere la media del che comprende period8212that è, i primi sette stagioni, Lunedi alla Domenica. La formula per la media nella cella D5, il primo disponibile media mobile, è la seguente: Questa formula viene copiato e incollato giù attraverso D29 delle cellule, in modo da avere 25 medie mobili sulla base di 25 percorsi di sette giorni consecutivi. Si noti che, al fine di mostrare sia il primo e gli ultimi osservazioni della serie storica, ho nascosto le righe da 10 a 17. È possibile visualizzarla, se si vuole, in questo chapter8217s cartella di lavoro, disponibile sul sito web publisher8217s. Effettuare una selezione multipla di righe visibili 9 e 18, tasto destro del mouse una delle loro intestazioni di riga e scegliere Scopri dal menu di scelta rapida. Quando si nasconde un file worksheet8217s, come I8217ve fatto in Figura 5.10. i dati sulle carte nelle righe nascoste vengono nascosti anche sul grafico. Le etichette di asse x identificano solo i punti di dati che appaiono sul grafico. Poiché ogni media mobile in Figura 5.10 comprende sette giorni, nessun media mobile è accoppiato con i primi tre o finale tre osservazioni reali. Copiare e incollare la formula nella cella D5 un giorno a cella D4 si esaurisce observations8212there è alcuna osservazione registrata nella cella C1. Analogamente, non v'è la media mobile registrata sotto D29 cellule. Copiare e incollare la formula in D29 D30 in richiederebbe un'osservazione nella cella C33, e nessuna osservazione è disponibile per il giorno in cui cellule rappresenterebbe. Sarebbe possibile, naturalmente, per accorciare la lunghezza della media mobile, per esempio, cinque invece di sette. Così facendo significherebbe che le formule a media mobile in Figura 5.10 potrebbero iniziare nella cella D4, invece di D5. Tuttavia, in questo tipo di analisi, si desidera che la lunghezza della media mobile di eguagliare il numero di stagioni: sette giorni in una settimana per gli eventi che si ripetono ogni settimana implica una media mobile di lunghezza sette e quattro trimestri in un anno per gli eventi che ricorrenza annuale implica una media mobile di lunghezza quattro. Lungo linee simili, generalmente quantificare gli effetti stagionali in modo tale che essi totale a zero entro il periodo di tempo che comprende. Come si è visto in questa prima sezione chapter8217s, su semplici medie, questo è fatto calcolando la media di (diciamo) i quattro trimestri in un anno, e poi sottraendo la media per l'anno da ogni dato trimestrale. Così facendo assicura che il totale degli effetti stagionali è zero. A sua volta, that8217s utile perché mette gli effetti stagionali su un effetto estate comune footing8212a di 11 è il più dalla media come un effetto invernale di 821111. Se si vuole fare la media cinque stagioni invece di sette per ottenere il vostro media mobile, you8217re meglio fuori trovando un fenomeno che si ripete ogni cinque stagioni al posto di ogni sette. Tuttavia, quando si prende la media degli effetti stagionali più avanti nel processo, tali medie sono improbabili da sommare a zero. It8217s necessario a quel punto ricalibrare o normalizzare. le medie in modo che la loro somma è pari a zero. Quando that8217s fatto, le medie stagionali medi esprimono l'effetto su un periodo di tempo di appartenenza ad una stagione particolare. Una volta normalizzata, le medie stagionali sono definiti gli indici stagionali che questo capitolo ha già detto più volte. You8217ll vedere come funziona avanti in questo capitolo, nel 8220Detrending della serie con Moving Averages.8221 Capire Stagionali specifici Figura 5.10 mostra anche ciò che sono chiamati stagionali specifiche della colonna E. Sono what8217s a sinistra dopo aver sottratto la media mobile dall'osservazione reale. Per avere un'idea di ciò che gli stagionali specifici rappresentano, prendere in considerazione la media mobile in cella D5. E 'la media delle osservazioni in C2: C8. Le deviazioni di ogni osservazione dalla media mobile (ad esempio, C2 8211 D5) sono garantiti per sommare a zero8212that8217s una caratteristica di una media. Pertanto, ogni deviazione esprime l'effetto di essere associato a quel particolare giorno durante la settimana. It8217s una specifica stagione, then8212specific perché la deviazione vale per quel particolare Lunedi o Martedì e così via, e di stagione, perché in questo esempio we8217re trattare ogni giorno come se fosse una stagione nel periodo che comprende di una settimana. Poiché ogni specifiche misure di stagione l'effetto di essere in quella stagione nei 224 confronti della media mobile per il gruppo di (qui) sette stagioni, è possibile in seguito la media dei stagionali specifiche per un particolare stagione (ad esempio, tutti i venerdì nella vostra serie temporali) per stimare che generale season8217s, piuttosto che specifici, effetto. Tale media non si confonde da una tendenza di fondo nella serie temporale, perché ogni specifico stagionale esprime una deviazione dal suo particolare media mobile. Allineamento delle medie mobili There8217s anche la questione di allineare le medie mobili con il set di dati originale. Nella Figura 5.10. Ho allineate ciascuna media mobile con il valore medio del campo di osservazioni che questa include. Così, per esempio, la formula nella cella D5 medie suddette osservazioni C2: C8, e ho allineato con la quarta osservazione, il punto medio della gamma media, ponendolo in fila 5. Questa disposizione è definita una media centrata movimento . e molti analisti preferiscono allineare ciascuno media mobile con il punto medio delle osservazioni che medie. Tenete a mente che in questo contesto, si riferisce alla 8220midpoint8221 bel mezzo di un periodo di tempo: Giovedi è il punto medio di Lunedi a Domenica. Non si riferisce alla mediana dei valori osservati, anche se ovviamente potrebbe funzionare in questo modo in pratica. Un altro approccio è la media mobile di trascinamento. In tal caso, ogni media mobile è allineato con l'osservazione finale che averages8212and quindi percorsi dietro suoi argomenti. Questo è spesso la disposizione preferita, se si desidera utilizzare una media mobile come una previsione, come si fa con livellamento esponenziale, perché la vostra media finale in movimento si verifica in coincidenza con l'osservazione finale a disposizione. Medie mobili centrate con i numeri pari di Seasons Noi di solito adottano una procedura speciale quando il numero di stagioni è anche piuttosto che dispari. That8217s lo stato tipico delle cose: Ci tendono ad essere numeri pari delle stagioni nel periodo che comprende per le stagioni tipici come mesi, trimestri, e periodi quadriennali (per le elezioni). La difficoltà con un numero pari di stagioni è che non v'è alcun punto medio. Due non è il punto medio di un campo partendo da 1 e fino a 4, e nessuno è 3 se può dire di avere uno, il suo punto medio è 2.5. Sei non è il punto medio di 1 a 12, e nessuno dei due è 7 suo punto medio puramente teorica è 6,5. A fare da se esiste un punto medio, è necessario aggiungere uno strato di media in cima alle medie mobili. Vedere Figura 5.11. Figura 5.11 Excel offre diversi modi per calcolare una media mobile centrata. L'idea alla base di questo approccio per ottenere un movimento that8217s media incentrata su un punto centrale esistente, quando there8217s un numero pari di stagioni, è quello di tirare che punto medio in avanti da mezza stagione. Si calcola una media mobile che sarebbe centrato a, diciamo, il terzo punto nel tempo, se cinque stagioni invece di quattro costituivano un giro completo del calendario. That8217s fatto prendendo due medie mobili consecutivi e media. Quindi, in Figura 5.11. there8217s una media mobile nella cella E6 che calcola la media dei valori in D3: D9. Perché ci sono quattro valori stagionali in D3: D9, la media mobile in E6 è pensato come centrato alla stagione immaginario 2.5, mezzo punto poco prima stagione candidato disponibili, 3. (stagioni 1 e 2 non sono disponibili come punti medi per mancanza di dati a media prima stagione 1.) Si noti, tuttavia, che la media mobile in medie E8 cella i valori D5: D11, la seconda per la quinta nella serie temporale. Tale media è centrato (immaginario) il punto 3.5, un periodo pieno avanti rispetto alla media centrata a 2,5. Facendo la media dei due medie mobili, questo è il pensiero, è possibile estrarre il punto centrale del primo forward media mobile di mezzo punto, da 2,5 a 3. That8217s quali le medie in colonna F di Figura 5.11 fanno. Cella F7 fornisce la media delle medie mobili in E6 ed E8. E la media in F7 sia allineato con il terzo punto di dati in serie storica originale, nella cella D7, per sottolineare che la media è centrato su quella stagione. Se si espande la formula nella cella F7 così come le medie mobili nelle celle E6 e E8, you8217ll vedere che risulta essere una media ponderata dei primi cinque valori della serie temporale, con il primo e il quinto valore dato un peso 1, e la seconda alla quarta espressi un peso di 2. Questo ci porta ad un modo più rapido e più semplice da calcolare una media mobile centrata con un numero pari di stagioni. Sempre in Figura 5.11. i pesi sono memorizzati nella gamma H3: H11. Questa formula restituisce la media prima centrato in movimento, in I7 cellulare: Che formula restituisce 13,75. che è identico al valore calcolato dalla formula doppio media in cella F7. Facendo riferimento ai pesi assoluti, mediante Giusto in tempo H3: H11. è possibile copiare la formula e incollarla giù, per quanto necessario per ottenere il resto delle medie mobili centrate. L'eliminazione del trend della serie con medie mobili Una volta sottratte le medie mobili dalle osservazioni originali per ottenere le specifiche stagionali, è stata rimossa la tendenza di fondo della serie. What8217s lasciati nelle seasonals specifici è normalmente una serie orizzontale stazionario con due effetti che causano i seasonals specifici partono da una linea retta assolutamente: gli effetti stagionali e errore casuale nelle osservazioni originali. Figura 5.12 mostra i risultati di questo esempio. Figura 5.12 Gli effetti stagionali specifici per Venerdì e Sabato rimangono chiara nella serie Detrended. Il grafico superiore della figura 5.12 mostra le osservazioni giornaliere originali. Sia il trend generale e il weekend picchi stagionali sono chiari. Il grafico inferiore mostra i seasonals specifici: il risultato della eliminazione del trend serie originale con un filtro a media mobile, come descritto in precedenza in 8220Understanding Seasonals.8221 specifico È possibile vedere che la serie Detrended è ormai praticamente orizzontale (una linea di tendenza lineare per le specifiche seasonals ha un leggero deriva verso il basso), ma gli stagionali venerdì e sabato punte sono ancora al loro posto. Il passo successivo è quello di superare i seasonals specifici agli indici stagionali. Vedere Figura 5.13. Figura 5.13 Gli specifici effetti Stagionali vengono prima media e poi normalizzati per raggiungere gli indici stagionali. Nella Figura 5.13. le seasonals specifiche della colonna E vengono riorganizzati in forma tabellare mostrato nell'intervallo H4: N7. Lo scopo è semplicemente quello di rendere più facile per calcolare le medie stagionali. Tali medie sono mostrati in H11: N11. Tuttavia, i dati in H11: N11 sono medie, non deviazioni da una media, e quindi ci aspettiamo che can8217t sommano a zero. Abbiamo ancora bisogno di regolare in modo che essi esprimono deviazioni da un grande media. Quel grande media appare nella cella N13, ed è la media delle medie stagionali. Possiamo arrivare a indici stagionali sottraendo la media generale in N13 da ciascuna delle medie stagionali. Il risultato è nel range H17: N17. Questi indici stagionali non sono più specifici per un particolare media mobile, come è il caso con gli stagionali specifiche della colonna E. Perché they8217re sulla base di una media di ogni istanza di una data stagione, esprimono l'effetto medio di una data stagione in tutto il quattro settimane in serie storica. Inoltre, essi sono misure di season8217s8212here, un day8217s8212effect sugli arresti di traffico nei 224 confronti della media per un periodo di sette giorni. Ora possiamo usare tali indici stagionali per destagionalizzare la serie. We8217ll utilizzare la serie destagionalizzata per ottenere le previsioni per mezzo di regressione lineare o del metodo di smoothing Holt8217s serie trend (discussa nel capitolo 4). Poi aggiungiamo semplicemente gli indici stagionali nuovamente dentro le previsioni per reseasonalize loro. Tutto questo appare in figura 5.14. Figura 5.14 Dopo aver gli indici stagionali, le rifiniture applicati qui sono gli stessi come nel metodo di semplici medie. Le fasi illustrate nella Figura 5.14 sono sostanzialmente gli stessi di quelli nelle Figure 5.6 e 5.7. trattate nelle seguenti sezioni. Destagionalizzare le osservazioni Sottrarre gli indici stagionali dalle osservazioni originali per destagionalizzare i dati. È possibile farlo, come mostrato in Figura 5.14. in cui le osservazioni originali e gli indici stagionali sono disposti come due elenchi che iniziano nella stessa riga, colonne C e F. Questa disposizione rende più facile per strutturare i calcoli. È anche possibile fare la sottrazione, come mostrato in Figura 5.6. in cui le osservazioni originali trimestrali (C12: F16), gli indici trimestrali (C8: F8), ei risultati destagionalizzata (C20: F24) sono mostrati in tabella. Questa disposizione rende un po 'più facile concentrarsi sugli indici stagionali e le trimestrali deseasoned. Previsione Dalle osservazioni destagionalizzata Nella figura 5.14. le osservazioni destagionalizzate sono nella colonna H, e nella Figura 5.7 they8217re nella colonna C. Indipendentemente dal fatto che si desidera utilizzare un approccio di regressione o un approccio lisciatura alla previsione, it8217s meglio per organizzare le osservazioni destagionalizzato in un elenco a colonna singola. Nella Figura 5.14. le previsioni sono nella colonna J. Il seguente formula di matrice viene immesso nell'intervallo J2: J32. All'inizio di questo capitolo, ho fatto notare che se si omette l'argomento-valori x dal TREND () function8217s argomenti, Excel fornisce i valori di default 1. 2. n. dove n è il numero di valori y. Nella formula appena dato, H2: H32 contiene 31 valori y. Poiché l'argomento normalmente contenente i valori x è mancante, Excel fornisce i valori predefiniti 1. 2. 31. Questi sono i valori che desidera utilizzare in ogni caso, nella colonna B, quindi la formula come data è equivalente a TREND (H2: H32, B2: B32). E that8217s la struttura utilizzata in D5: D24 di Figura 5.7: Rendere il meteo One-Step-Ahead Finora avete organizzato per le previsioni della serie storica destagionalizzata da t 1 a t 31 nella Figura 5.14. e da 1 a t t 20 in Figura 5.7. Tali previsioni costituiscono informazione utile per vari scopi, tra cui valutare l'accuratezza delle previsioni mediante un'analisi RMSE. Ma il vostro scopo principale sta prevedendo almeno il prossimo, periodo di tempo ancora inosservata. Per ottenere questo, si potrebbe prima previsione dal TREND () o la funzione REGR. LIN () se you8217re utilizzando la regressione, o dalla formula livellamento esponenziale se you8217re utilizzando il metodo Holt8217s. Quindi è possibile aggiungere l'indice stagionale associata alla previsione di regressione o di levigatura, per ottenere una previsione che include sia la tendenza e l'effetto stagionale. Nella Figura 5.14. si ottiene la regressione previsto nel J33 cella con questa formula: In questa formula, i valori y in H2: H32 sono gli stessi in altra tendenza () le formule nella colonna J. così sono i (default) di 1-valori X attraverso 32. Ora, però, si fornisce un nuovo valore x come terzo argomento function8217s, che dite TREND () per cercare in B33 delle cellule. It8217s 32. il successivo valore di t. E Excel restituisce il valore 156,3 nel J33 cellulare. La funzione TENDENZA () nella cella J33 dice Excel, in effetti, 8220Calculate l'equazione di regressione per i valori H2: H32 regredita sui valori di t 1 a 31. Applicare questa equazione di regressione al nuovo valore x di 32 e restituire il result.8221 You8217ll trovare lo stesso approccio adottato in D25 cella della Figura 5.7. in cui la formula per ottenere la previsione one-step-ahead è questo: Aggiungere gli indici stagionali Back In Il passo finale è quello di reseasonalize le previsioni aggiungendo gli indici stagionali per le previsioni di tendenza, invertendo quello che hai fatto quattro passi indietro quando si sottrazione del indici delle osservazioni originali. Questo viene fatto in colonna F di figura 5.7 e colonna K in Figura 5.14. Don8217t dimenticare di aggiungere l'indice stagionale appropriata per la previsione di un passo in avanti, con i risultati mostrati nella F25 cella in Figura 5.7 e K33 cella in Figura 5.14. (I8217ve ombreggiato le cellule one-step-ahead sia in Figura 5.7 e la Figura 5.14 per evidenziare le previsioni.) Potete trovare i grafici di tre rappresentazioni dei dati di arresto del traffico nella Figura 5.15. la serie destagionalizzata, la previsione lineare dai dati destagionalizzate, e le previsioni reseasonalized. Si noti che le previsioni incorporano sia la tendenza generale dei dati originali e le sue punte di venerdì;. Figura 5.15 Charting le previsioni.